掌握深度学习的原理，才能在人工智能领域走得更远。本课程手把手教你如何让神经网络具备思考的能力。通过学习和训练，神经网络能够利用数学理论知识进行有效的编程实践。在第一册中，你学会了如何搭建神经网络，在这本第二册里，我们将让神经网络进行深度学习，从而让它具备思考的能力。神经网络通过调整合适的参数来进行思考，学习过程就是不断调整参数的过程。
整个课程围绕着参数调整分为五个部分。第一部分是了解损失函数，它通过正向传播算法的输出与正确答案进行比较，以确定神经网络参数的好坏。损失函数越大，说明参数需要调整。第二部分是数学知识，具体讲到导数，它反映了损失函数随参数变化的幅度。导数的值即是调整参数的依据；每次循环，参数按照导数的值进行调整，这就是第三部分的梯度下降法；第四部分涉及数据来源，可以是网络上的现成数据，也可以是自行制作的数据，以供训练神经网络之用；最后，在第五部分，我们将开始让神经网络进行学习训练，通过对各个网络层中的权重和偏置进行更新，逐步优化整个网络。
目录
1 课程介绍.mp4
2 损失函数.mp4
3 均方误差编程实现.mp4
4 交叉熵误差及编程.mp4
5 导数的概念与编程.mp4
6 导数的计算.mp4
7 偏导数.mp4
8 从导数到梯度.mp4
9 梯度的编程.mp4
10 梯度下降法编程.mp4
11 梯度算法优化.mp4
12 运用到简单的神经网络.mp4
13 数据集介绍.mp4
14 从互联网获取数据集.mp4
15 数据的转换.mp4
16 数据的保存和加载.mp4
17 数据的处理.mp4
18 创建两层神经网络的类.mp4
19 预测值 损失函数 梯度.mp4
20 神经网络类的小结.mp4
21 神经网络的深度学习实践.mp4
22 自制数据集初步.mp4
AI0（资料）.rar
